A gumiabroncs-nyomás monitorozás korszerű módszerei
Modern methods of tire pressure monitoring
Keywords:
direct and indirect tyre pressure monitoring, Hybrid Wavelet-Fourier transform, artificial intelligence, convolutianal neural network, /, direkt és indirekt gumiabroncsnyomás meghatározás, Hibrid Wavelet-Fourier transzformáció, DDS- Deflation Detection System, TPMS-Tyre Pressure Measurement System, mesterséges intelligencia, konvoluciós neurális hálóAbstract
As tyre pressure is a major determinant of vehicle energy consumption and driving safety, it is important to have information on the status of tyre pressures. There are basically two main types of tyre pressure measurement: direct pressure measurement and indirect pressure estimation methods. Direct, or direct measuring, systems involve the installation of a pressure sensor in the valve, which allows the pressure of the tyre to be accurately determined, but this method also has its drawbacks. Problems include the power supply required to operate the sensor and the transmission of the measured values to the vehicle's central unit. Indirect methods, on the other hand, use signals from wheel speed sensors, which can also use information from suspension sensors, to estimate tyre pressure. Current methods use the Fourier transform (frequency analysis) to determine the natural frequency of the wheel as a function of tyre pressure from the wheel speed sensor signals, but other alternative methods exist [2]. Nowadays, artificial intelligence methods are also playing an increasingly important role in the implementation of indirect tyre pressure determination systems. A major advantage of indirect pressure estimation systems over direct pressure measurement systems is their lower cost. This paper will discuss the state-of-the-art indirect methods in comparison to direct methods, touching on the potential for further development of indirect methods.
Kivonat
Mivel a gumiabroncs-nyomás jelentősen meghatározza a jármű energiafogyasztása mellett a jármű menetbiztonságát is, fontos, hogy információnk legyen a gumiabroncsok nyomásainak állapotáról. A gumiabroncs-nyomás meghatározására alapvetően két főbb csoportot tudunk megkülönböztetni: a közvetlen nyomásmérő és az indirekt, azaz közvetett nyomásbecslő módszereket. A direkt, vagy közvetlen módon mérő rendszereknél egy nyomásmérő szenzor kerül beépítésre a szelepbe, melynek segítségével az abroncs nyomása megmérhető, azonban ennek a módszernek vannak hátulütői. Problémát jelent a szenzor működéséhez szükséges energiaellátás, valamint a mért értékek eljuttatása a jármű központi feldolgozó egységébe. Ezzel szemben az indirekt módszerek a keréksebesség szenzorok mellett, a felfüggesztés érzékelőinek információira is támaszkodva becsülik meg a gumiabroncsok nyomását. A napjainkban elterjedt módszerek a keréksebesség szenzorok jeleiből Fourier-transzformáció segítségével (frekvencia analízissel) határozzák meg a kerék gumiabroncs nyomásától függő saját frekvenciáját, de léteznek egyéb alternatív módszerek is [2]. Manapság a mesterséges intelligencia módszerei is egyre nagyobb szerepet kapnak az indirekt guminyomás-meghatározó rendszerek megvalósításában. Az indirekt nyomásbecslő rendszerek egyik nagy előnye a direkt nyomásmérő rendszerekhez képest, hogy alacsonyabbak a költségei. A dolgozat a korszerű indirekt módszerek bemutatására tér ki a direkt módszerekkel szemben, érintve az indirekt módszerekben rejlő továbbfejlesztési lehetőségeket.
References
R. Isermann, D. Wesemeier : Indirect Vehicle Tire Pressure Monitoring with Wheel and Suspension Sensors, In: Proceedings of the 7th IFAC Symposium on Fault Detection, Supervision and Safety of Technical Processes. Barcelona, June 30 - July 3, 2009
Dr. Fodor Dénes, Márton Zoltán: New Hybrid Wavelet and CNN-Based Indirect Tire-Pressure Monitoring System for Autonomous Vehicles. In: Hungarian Journal of Industry and Chemistry, 48. (2020) 1. sz. 123-130.
Xu Yuan: Research of Tire Pressure Monitoring System, Baoding, In: Advanced Research and Technology in Industry Applications, 2. (2016)
Dr. Fodor Dénes: Digitális jelfeldolgozás. 2. kiadás. Veszprém, 2014.
Yan-Bin Jia: Polynomial Multiplication and Fast Fourier Transform. 2020.
Tomasz Tarasiuk: Hybrid Wavelet-Fourier Spectrum Analysis. In: IEEE Transactions on Power Delivery. (2004) 19. sz. 957-964. p.
http://moodle.autolab.uni-pannon.hu/Mecha_tananyag/jarmufedelzeti_elektronika/ch08.html#ch-8.1
Dr. Fodor Dénes, Márton Zoltán: Convolution Neural Network Based Eigenfrequency Determination for Tire Pressure Monitoring Systems, Veszprém, 2015.
Introduction to Convolutional Neural Networks, Stanford University, 2018, - https://web.stanford.edu/class/cs231a/lectures/intro_cnn.pdf
Hijazi, S.; Kumar, R.; Rowen, C.: Using Convolutional Neural Networks for Image Recognition, IP Group, Cadence, 2015.
Dr. Fodor Dénes, Márton Zoltán: Indirect Tire Pressure Monitoring Systems in Autonomous Vehicles. Veszprém, 2015.
Zoltán Márton, Dénes Fodor, Krisztián Enisz, Klaudia Nagy, Frequency Analysis Based Tire Pressure Monitoring , IEEE International Electric Vehicle Conference (2014)., IEEE, 2014.
Márton Zoltán, Fodor Dénes, Indirekt gumiabroncsnyomás meghatározás Wavelet transzformációval, XVII. ENELKO, 2016, p89-93
Continental Teves, Hungary (2008). Continental Training Handbook, Continental Teves AG. & Co. oHG.